2. Experimentación - AWS Guía prescriptiva

Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

2. Experimentación

La experimentación abarca el registro, el seguimiento y las métricas de los experimentos. Esto se traduce en la integración de los metadatos de los experimentos en la plataforma, en el control de código fuente y en los entornos de desarrollo. La experimentación también incluye la posibilidad de optimizar el rendimiento y la precisión del modelo mediante la depuración.

2.1 Entornos de desarrollo integrados

Un entorno de desarrollo integrado (IDE) se integra directamente con la nube. El IDE puede interactuar con el sistema más grande y enviar comandos a él. Lo ideal es que sea compatible con lo siguiente:

  • Desarrollo local

  • Integración de control de versiones

  • La depuración está implementada y todos los registros y artefactos generados pasan al control de versiones

2.2 Control de versiones de código

Para garantizar la reproducibilidad y la reutilización, todo el código se archiva en el repositorio fuente con el control de versiones adecuado. Esto incluye el código de infraestructura, el código de aplicación, el código de modelo e incluso los cuadernos (si opta por usarlos).

2.3 Seguimiento

Un proyecto de aprendizaje automático requiere una herramienta que pueda rastrear y analizar los experimentos de aprendizaje automático. Esta herramienta debe registrar todas las métricas, parámetros y artefactos durante la ejecución de un experimento de aprendizaje automático, registrando todos los metadatos en una ubicación central. La ubicación central permitirá analizar, visualizar y auditar todos los experimentos que ejecute.

2.4 Integración multiplataforma

Los resultados históricos de los experimentos y todos sus metadatos están accesibles en otras partes del sistema. Por ejemplo, las canalizaciones de orquestación existentes pueden acceder a estos datos, al igual que las herramientas de monitoreo.

2.5 Depuración: precisión y rendimiento del sistema

Existe un marco completo de depuración de modelos para examinar las ejecuciones en busca de lo siguiente:

  • Encuentre cuellos de botella

  • Alerta sobre anomalías

  • Maximice la utilización de recursos

  • Ayuda en el análisis de los experimentos

Cuando la formación es intensiva, la capacidad de maximizar el rendimiento es crucial y la convierte en una herramienta necesaria para la optimización de costes.